氡氣（222Rn）是由固態鈾（23?U）和鐳（22?Ra）元素的輻射產生的，是一種無聲、無味、隱蔽、有毒、惰性且具有放射性的惰性氣體（UNSCEAR，1993；Yang等人，2025）。氡氣的半衰期約為3.8天（UNSCEAR，1977）。氡氣的來源主要包括地質基礎、建筑材料和斷層（Borgoni等人，2011；2014；Zeybek等人，2025）。如果富含鈾的火山巖存在于斷裂的地質基礎和建筑材料中，氡氣在封閉空間內會積累到最高水平（Gundersen等人，1992；Gundersen，1993）。氡氣容易在封閉空間（如住宅、工作場所、度假村、封閉的礦山等）中積聚（Dicu等人，2023；Kubiak和Basińska，2025）。全球數百萬人因室內氡氣積累而患上肺癌（Bossew和Petermann，2022）和其他類型的癌癥（例如腫瘤等）（Palmer等人，2023）。研究發現，室內氡氣濃度每增加100 Bq/m3，患肺癌的風險大約增加16%（Darby等人，2005）。室內氡氣濃度表現出不同的季節性波動模式（Seminsky和Seminsky，2019）。例如，冬季的室內氡氣濃度高于夏季（Papaefthymiou等人，2003）。在冬季長時間關閉門窗會導致室內氡氣濃度升高（Bossew和Lettner，2007）。相反，在夏季，由于長時間開窗以及使用風扇和空調，室內氡氣濃度往往會降低（Tobar，2019）。

目前，室內氡氣濃度的測量方法包括短期主動測量方法（如RadonEye等）（Zeybek和Kop，2022）和長期被動測量方法（如CR-39等）（Shabaan等人，2025；Zeybek和Alkan，2024）。由于多種原因（經濟因素、官僚許可、物業所有者同意、測量設備獲取難度、氡氣專家數量不足等），使用傳統方法在封閉空間內測量室內氡氣濃度相當困難。需要一種快速、成本效益高（便宜）、新穎且基于現代人工智能的方法來去除封閉空間中的氡氣。一些研究人員嘗試使用基于人工智能的機器學習來估計室內氡氣濃度（Daviran等人，2025；Elío等人，2023；Sakhaiaan等人，2023；Yang等人，2025）。然而，這些研究還不夠充分且復雜，需要通過與各種數據庫的整合進一步發展。我們的研究旨在通過提供一種現代的“基于AI的室內氡氣濃度估計”和“基于AI的氡氣風險分類”方法來填補這一科學空白。

本研究旨在通過引入一種新型的物理信息神經網絡（PINN）框架來彌合這一關鍵差距。我們的“地質信息氡評估”（GIRA）框架通過將控制氡氣生成和傳輸的物理定律直接嵌入AI的學習過程中，超越了基于相關性的預測方法。本研究的主要目標有兩個：（1）開發一個穩健、可解釋且成本效益高的模型，以準確估計室內氡氣濃度（Qt）；（2）建立一個自動化的、可靠的氡氣風險分類系統。通過將領域知識與數據驅動的智能相結合，這項工作為積極的環境健康風險評估和管理建立了新的范式。